基于机器学习的人体指甲光谱模式识别及溯源分析
物证的溯源分析一直是法庭科学领域的一大难点,在刑事案件侦查中发挥着重要作用.提出了一种衰减全反射-傅里叶变换红外光谱(ATR-FTIR)结合机器学习相关方法对人体指甲样本进行检验和溯源分析的新方法.采集了来自我国7大地区18个省市共计195名志愿者十指指甲样本的ATR-FTIR图,经预处理后使用主成分分析(PCA)和因子分析(FA)两种方法进行降维处理,随后采用多层感知器(MLP)、径向基函数(RBF)、决策树(DT)以及支持向量机(SVM)模型开展分类识别.实验结果表明,PCA和FA两种降维方法在后续建模分析方面差别不大;MLP的分类效果优于RBF;基于CHAID算法的主成分分析和决策树(PCA-DT)模型训练集和测试集分类识别率分别可达91.0%和92.0%,优于穷举式CHAID、CRT和QUEST算法;基于多项式核函数的主成分分析和支持向量机(PCA-SVM)模型能够实现7大地区和华北5省市指甲样本的完全区分,分类效果优于RBF、Sigmoid和线性核函数.因此,采用ATR-FTIR技术结合PCA-SVM模型能够实现不同地域指甲样本的准确区分,为指甲物证的溯源分析提供了一种新的方法与思路.
光谱学、指甲、化学计量学、溯源分析
59
O433.4(光学)
基本科研业务费重点项目2021JKF208
2022-11-04(万方平台首次上网日期,不代表论文的发表时间)
共8页
463-470